"Day": 3,"Topic": "Agent 指令应该如何写才稳定","Core_Principle": "角色定位清晰 + 边界约束严格 + 工具策略明确 + 输出格式可解析","Pitfall": "试图用超长的 Prompt 解决所有工程 Bug。记住，逻辑错误用代码兜底，而不是加长提示词。","Next_Step": "明天我们把这个 Prompt 放进真实的开发环境中，看看模型在实际

系列：100 天系统学习 AI Agent 开发当前阶段：OpenAI Agents SDK 主线今日目标：OpenAI Agents SDK 的核心路径是定义 Agent、运行 Agent，再逐步加入工具和协作。

系列：100 天系统学习 AI Agent 开发当前阶段：OpenAI Agents SDK 主线今日目标：OpenAI Agents SDK 的核心路径是定义 Agent、运行 Agent，再逐步加入工具和协作。

昨天deepseek-harness发布了，这注定是值得载入史册的一个夜晚，我第一时间就发现了这个消息，同时我也一直在期盼着deepseek-v4-pro正式版​​但是我一直在观望，看了好几个相关的评测视频，比如林禾，看完我真感觉这是国产的胜利啊。今天我也简单的实际测试了一下使用的是deepseek-v4-flash，在晚上八点半，让它给我生成介绍我的学校的ppt文件1 轮 · 25 步| LLM

这两年大模型很火，但我越来越明显地感觉到：只会聊天的大模型，和能真正完成任务的 Agent，中间隔着一整套工程体系。一个可用的 Agent 不是“写一段神奇 Prompt”就结束了。它要能理解目标，选择工具，读取资料，保存状态，处理错误，必要时请人确认，还要能被评测、被监控、被复盘。换句话说，Agent 不是单点技术，而是一种把模型能力接入真实任务的系统方法。

系列：100 天系统学习 AI Agent 开发当前阶段：RAG、知识库与工具边界今日目标：FunctionAgent 适合从简单函数工具开始，把确定性能力交给代码，把选择权交给模型。

系列：100 天系统学习 AI Agent 开发当前阶段：LangChain 与 LangGraph 工程化今日目标：Trace 把模型调用、工具调用、输入输出和错误链路记录下来，方便定位失败原因。

系列：100 天系统学习 AI Agent 开发当前阶段：LangChain 与 LangGraph 工程化今日目标：中间件和护栏用于检查输入、输出、工具调用和敏感行为。

系列：100 天系统学习 AI Agent 开发当前阶段：LangChain 与 LangGraph 工程化今日目标：中间件和护栏用于检查输入、输出、工具调用和敏感行为。

系列：100 天系统学习 AI Agent 开发当前阶段：LangChain 与 LangGraph 工程化今日目标：人工介入可以在写文件、发邮件、执行 SQL、付款等敏感动作前暂停 Agent。